AITerms 登入
統計方法機器學習推薦系統

餘弦相似度(Cosine Similarity)是什麼?

餘弦相似度是一種衡量兩個非零向量之間夾角餘弦值的度量方法,常用於評估文本或資料點之間的相似程度。

完整定義

餘弦相似度是一種衡量兩個非零向量之間夾角餘弦值的度量方法。它用於評估兩個向量在方向上的相似程度,而不考慮它們的大小。餘弦相似度的值介於 -1 和 1 之間,值越大表示向量越相似。常見應用包括文本相似度、推薦系統和圖像檢索。

白話說明

你有沒有遇過兩段文字長短不同,卻想知道它們有多像?

你可以把餘弦相似度想成「看兩個向量方向像不像」:它不太管長度,只看方向是否接近。

它很重要,因為文本、向量和語意搜尋常需要比相似程度,餘弦相似度在這種場景特別好用,也常是向量檢索的第一個排序標準。

記住這句

方向像不像,比長短更重要。

比喻:餘弦相似度就像判斷兩個人「想法有多接近」的指標 -- 它不是看他們說了多少字,而是看他們表達的方向是不是一致。如果兩個向量(代表兩段文字或兩個概念)指向同一個方向,那它們的餘弦相似度就高,表示想法很接近。

容易混淆

餘弦相似度 vs 歐氏距離 vs 內積

餘弦相似度:看方向,不太看長度

歐氏距離:看兩點物理上隔多遠

內積:會受方向和長度一起影響

最關鍵的區別:餘弦相似度重點是「方向一致不一致」。

實際案例

語意搜尋

前:只靠關鍵字,字不同就找不到

後:把查詢和文件轉成向量,再用餘弦相似度找最接近的內容

推薦相似文章

前:文章長度不同,直接比字數沒意義

後:用向量方向判斷主題是否接近,再推相似內容

演算法與應用

餘弦相似度常和嵌入表示、向量資料庫、語義搜尋、Word2Vec 一起出現

它會先把資料轉成向量,再用夾角來比較相似性

在實務上,是否要先正規化向量,會影響它和內積的關係

中英對照與常見說法

說法
餘弦相似度
出現場合
台灣正式用語
說法
余弦相似度
出現場合
簡體寫法
說法
Cosine Similarity
出現場合
英文原名
說法
夾角餘弦
出現場合
強調幾何意義時的說法
說法
相似度(similarity)
出現場合
泛稱,向量檢索脈絡下多半就是指餘弦相似度

公式與實際算一次

兩個向量 A 與 B 的餘弦相似度定義為:

cos(θ) = (A · B) / (‖A‖ × ‖B‖)

分子是內積,分母是兩個向量長度的乘積。實際算一次:

A = [1, 2, 3],B = [2, 4, 6]

結果剛好是 1,因為 B 就是 A 乘以 2,兩個向量方向完全相同。這正是餘弦相似度的關鍵性質:它只看方向,不看長度。

值域是 -1 到 1。1 代表方向相同,0 代表垂直(無關),-1 代表方向相反。用在文字嵌入時實務上很少出現負值,因為多數嵌入模型的輸出落在相近的區域。

步驟
內積 A · B
計算
1×2 + 2×4 + 3×6
結果
28
步驟
‖A‖
計算
√(1 + 4 + 9)
結果
3.742
步驟
‖B‖
計算
√(4 + 16 + 36)
結果
7.483
步驟
相似度
計算
28 ÷ (3.742 × 7.483)
結果
1.0

跟其他距離的取捨

一個常被忽略的等價關係:向量先做 L2 正規化之後,內積就等於餘弦相似度,歐氏距離的排序也跟餘弦相似度一致。所以多數向量資料庫的做法是入庫前先正規化,之後統一用內積算,速度最快。

度量
餘弦相似度
看的是
方向
適合
文字嵌入、向量檢索,因為文件長短不該影響主題相似度
度量
歐氏距離
看的是
絕對位置
適合
座標、影像特徵等長度本身有意義的情境
度量
內積
看的是
方向加上長度
適合
推薦系統,長度可以編碼熱門程度
度量
Jaccard 相似度
看的是
集合重疊比例
適合
標籤、關鍵字這類集合型資料

情境判斷

Q1(直覺題): 兩段文字長度差很多,但主題很像,餘弦相似度還能有效嗎?

可以,因為它主要看方向,不太在意長短。

Q2(判斷題): 如果兩個向量很長,餘弦相似度就一定比較高嗎?

不一定,長度不是它最在意的事,方向才是。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把餘弦相似度列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本